2
Sample space, sample points, events
Sample space,, adalah sekumpulan semua sample points,, yang mungkin;
dimana
Contoh 1. Melemparkan satu buah koin:={Gambar,Angka} Contoh 2. Menggelindingkan dadu: ={1,2,3,4,5,6}
Contoh 3. Jumlah pelanggan dalam antrian: ={0,1,2,…}
Contoh 4. Waktu pendudukan panggilan (call holding time): ={xx>0}
Events A,B,C,… adalah himpunan bagian dari sample space
Contoh 1. Angka genap pada sebuah dadu:A={2,4,6} Contoh 2. Tidak ada pelanggan yang mengantri : A={0}
Contoh 3. Call holding time lebih dari 3 menit. A={xx>3}
Event yang pasti : sample space
3
Kombinasi event
Union (gabungan) :“A atau B” : AB={A atau
B}
Irisan: “A dan B” : AB={A dan B} Komplemen : “bukan A”:Ac={A}
Event A dan B disebut tidak beririsan (disjoint) bila :
AB=
Sekumpulan event {B1,B2,…} merupakan partisi dari event
A jika
4
Probabilitas (peluang)
Probabilitas suatu event dinyatakan oleh P(A)
P(A)[0,1]
Sifat-sifat peluang
5
Conditional Probability
(Peluang bersyarat)
Asumsikan bahwa P(B)>0
Definisi : Conditional probability dari suatu
event A bila diketahui event B terjadi didefinisikan sebagai berikut
6
Teorema Probabilitas Total
Bila {Bi} merupakan partisi dari sample
space
Lalu {ABi} merupakan partisi dari event A, maka berdasarkan sifat probabilitas yang ketujuh pada slide nomor 4
7
Teorema Bayes
Bila {Bi} merupakan partisi dari sample space
Asumsikan bahwa P(A)>0 dan P(Bi)>0 untuk semua i.
Maka berdasarkan uraian pada slide nomor 5
Kemudian, berdasarkan teorema probabilitas total, kita
peroleh
Ini merupakan teorema Bayes
Peluang P(Bi) disebut peluang a priori dari event Bi
Peluang P(BiA) disebut peluang a posteriori dari event Bi (bila
8
Kesalingbebasan statistik dari event (Statistical independence of event)
Definisi : Event A dan B saling bebas
(independent) jika
Dengan demikian
Variabel Random/ Acak
variabel yg nilai-nilainya ditentukan oleh kesempatan/ variabel yang bernilai numerik yg didefinisikan dlm
suatu ruang sampel
1. Variabel Random diskrit
Variabel random yg tdk mengambil seluruh
nilai yg ada dlm sebuah interval/ variabel yg hanya memiliki nilai tertentu
2. Variabel Random kontinu
Pengertian dan Jenis-Jenis
Distribusi Teoretis
Distribusi teoretis : suatu daftar yg
disusun berdasarkan probabilitas dr peristiwa2 bersangkutan
Misal :
Sebuah mata uang logam dgn permukaan I = A dan permukaan II = B
Jenis-jenis distribusi teoretis
1. Distribusi teoretis diskrit
Suatu daftar/ distribusi dr semua nilai variabel random diskrit dgn probabilitas terjadinya masing-masing nilai tsb
Suatu fungsi f dikatakan mrp fungsi
probabilitas/ distribusi dr variabel random diskrit jk memenuhi syarat:
a. f(x) ≥ 0, x Є R
b. f(x) = 1
Contoh soal
Di dalam sebuah kotak terdapat 4 bola
biru dan 2 bola kuning. Secara acak diambil 3 bola. Tentukan distribusi probabilitas X, jika X menyatakan
Jawab
Jumlah titik sampel = C36= 20 titik sampel Banyaknya cara mendapatkan bola kuning
adalah Cx2
Banyaknya cara mendapatkan bola biru
adalah
Distribusi probabilitasnya
Distribusi yg tergolong ke dlm
distribusi ini antara lain :
a.
Distribusi binomial
b.
Distribusi hipergeometrik
2. Distribusi teoretis kontinu
Suatu daftar/ distribusi dr semua nilai
variabel random kontinu dgn probabilitas terjadinya masing-masing nilai tsb
Suatu fungsi f dikatakan mrp fungsi
probabilitas/ distribusi probabilitas
variabel random kontinu x, jk memenuhi syarat:
a. f(x) ≥ 0, x Є R b. c. 1 )
(x dx f b a dx x f b X a
Contoh soal :
Suatu variabel random kontinu X yg
memiliki nilai antara X = 1 dan X = 3 memiliki fungsi yg dinyatakan oleh :
Tentukan nilai P(X<2)
21 ) 1
( 2 )
(x x
Distribusi yg tergolong distribusi
teoritis kontinu antara lain :
a.
Distribusi normal
b.
Distribusi
c.
Distribusi F
d.
Distribusi t
DISTRIBUSI BINOMIAL
Suatu distribusi teoretis yg
menggunakan variabel random diskrit yg tdr dr dua kejadian yg berkomplementer spt sukses-gagal, ya-tidak, baik-buruk, kepala-ekor dsb
Pengambilan sampel dilakukan dgn
1. Setiap percobaan hanya memiliki dua
peristiwa spt ya-tidak, sukses-gagal
2. Probabilitas satu peristiwa adl tetap, tidak
berubah utk setiap percobaan
3. Percobaannya bersifat independent artinya
peristiwa dr suatu percobaan tdk
mempengaruhi/ dipengaruhi peristiwa dlm percobaan lainnya
4. Jml/ banyaknya percobaan yg mrp
Probabilitas suatu peristiwa dpt dihitung dgn
mengalikan kombinasi susunan dgn probabilitas salah satu susunan
Keterangan :
x = banyaknya peristiwa sukses n = banyaknya percobaan
p = probabilitas peristiwa sukses
q = 1- p = probabilitas peristiwa gagal
x n x
n
x
p
q
C
p
n
x
b
x
X
Contoh soal
Sebuah dadu dilemparkan ke atas
sebanyak 4 kali. Tentukan probabilitas dari peristiwa berikut:
a. Mata dadu 5 muncul 1 kali
b. Mata dadu genap muncul 2 kali
c. Mata dadu 1 atau 4 muncul sebanyak
Jawab
P= 1/6 ; q= 5/6; n= 4; x = 1 (muncul 1
kali)
P (X=1) =
= 4 .(1/6).(5/6)3 = 0.386
P = 3/6; q = ½; n =4; x =2 P(x=2) =
Probabilitas binomial kumulatif
Probabilitas dr peristiwa binomial lebih
dr satu sukses
Contoh soal
Sebanyak 5 mahasiswa akan
mengikuti ujian sarjana dan diperkirakan probabilitas
kelulusannya adalah 0,7. Hitunglah probabilitas :
a. Paling banyak 2 org lulus
b. Yang akan lulus antara 2 sampai 3
Jawab
a) n =5 ; p =0.7 ; q =0.3; x = 0,1,dan 2
P(x <2 )= P(x=0)+P(x=1)+P(x=2)
b) n =5 ; p = 0.7; q=0.3; x = 2 dan 3
P(2<x<3) = P(x=2) + P(x=3)
c) n = 5; p = 0.7; q=0.3; x = 4 dan 5
DISTRIBUSI HIPERGEOMETRIK
Menggunakan variabel diskrit dgn 2 kejadian
yg berkomplementer
Pengambilan sampel dilakukan tanpa
pengembalian
Keterangan :
N = ukuran populasi n = ukuran sampel
k = banyaknya unsur yg sama pd populasi x = banyaknya peristiwa sukses
Contoh soal
Sebuah kotak berisi 50 bola, 5
diantaranya pecah. Apabila diambil 4 bola, berapa probabilitas dua
diantaranya pecah?
Distribusi hipergeometrik dpt
diperluas. Jk dr populasi yg berukuran N terdpt unsur yg sama yi k1,
k2,…dan dlm sampel berukuran n
terdpt unsur yg sama x1, x2,... Dgn k1+k2+…= N dan x1+x2+…=n,
distribusi hipergeometrik dirumuskan :
N n k x k x
C
C
C
x
x
X
P
2 2 1 1,...)
,
DISTRIBUSI POISSON
Distribusi nilai-nilai bagi suatu
variabel random X yi banyaknya hasil percobaan yg tjd dlm suatu interval wkt tertentu/ di suatu daerah
Ciri-ciri
Banyaknya hsl percobaan yg tjd dlm suatu
interval wkt/ suatu daerah tertentu tdk tgt pd banyaknya hsl percobaan yg tjd pd interval wkt/ daerah lain yg terpisah
Probabilitas tjdnya hsl percobaan slm suatu
interval wkt yg singkat/ dlm suatu daerah kecil, sebanding dgn panjang interval wkt/ besarnya daerah tsb dan tdk bergantung pd banyaknya hsl percobaan yg tjd di luar
interval wkt/ daerah tsb
Probabilitas lebih dr satu hsl percobaan yg tjd
Distribusi Poisson byk digunakan dlm hal:
Menghitung probabilitas terjadinya peristiwa
mnrt satuan wkt, ruang, luas, panjang tertentu spt menghitung probabilitas dr :
1. Banyaknya telepon per menit/ banyaknya
mobil yg lewat selama 5 menit di suatu ruas jalan
2. Banyaknya bakteri dlm 1 tetes/ 1 L air
3. Banyaknya kesalahan ketik per halaman
4. Banyaknya kecelakaan mobil di jalan tol selama seminggu
Menghitung distribusi probabilitas binomial
Rumus probabilitas poisson suatu peristiwa
!
)
(
x
x
X
P
x
Contoh soal
Sebuah toko alat-alat listrik
mencatat rata-rata penjualan lampu TL 40 W setiap hari 5 buah. Jika
permintaan akan lampu tsb mengikuti distribusi poisson, berapa
probabilitas untuk penjualan berikut?
a. 0 lampu TL
37
Sebuah koin dilempar tiga kali; setiap lemparan
akan menghasilkan head (H) atau tail (T)
Sample space:
Misalnya peubah acak X merupakan jumlah
total tail (T) dalam ketiga eksperimen pelemparan koin tersebut, maka :